AI法律证据处理：手写OCR、录音转写、视频抽帧实战管线

接手过诉讼材料整理的人，应该都有过这样的体验：上千页扫描件堆在桌上，几十段录音要逐字听写，视频里关键画面要一帧一帧找。传统的做法是靠人海战术，几个实习生或者助理连续干一周，眼睛看花、耳朵听麻，还可能漏掉关键证据。

最近我在处理一个案子的大批量证据材料时，发现用 AI 工具链可以把这个流程从“两周”压缩到“两天”。核心思路不是用一个大模型解决所有问题，而是手写转文本、录音转文字、视频分析、本地模型与云端 API 拆开来，各用各的专用工具。这篇文章会把整套方案、成本结构和关键代码完整写清楚。

真正让我决定把这套流程写下来的原因，是材料里有大量手写证人证言和早年间的录音。手写部分用通用 OCR 识别率很差，录音转文字用云端大模型虽然效果不错，但几十小时的音频费用不低。换成本地模型做初筛，再让云端模型做精校，识别效果甚至更高，费用却大幅下降。

这篇文章适合正在做法律合规、尽调、仲裁或诉讼支持的开发者和技术负责人，也适合后端工程师想要快速搭建“AI 文档预处理管线”的人。读完后，你能掌握一条：怎么把手写材料、录音、视频三类证据，用开源模型加少量 API 调用，变成结构化的时间线文本。

1. 这篇文章真正要解决的问题

先把这个需求拆开看。法律场景的“证据整理”，本质上是一个多模态信息抽取任务：把纸上的字、声音里的词、视频里的画面，统一转成可检索、可引用、可交叉验证的文本时间线。

过去的标准做法分三步：

1. 文件复印、扫描、命名归档。
2. 人工阅读纸质件，按时间顺序做证据清单。
3. 录音逐句听写，视频截图存证，统一编入证据册。

这套流程有两个致命问题。第一是慢，一千页材料，一个人逐页编号、摘录、录入系统至少需要 3 到 5 个工作日。第二是漏，人工听写录音听久了注意力下降，关键内容经常漏掉；手写材料里的改动、批注、不同颜色的笔迹也容易被忽略。

AI 能解决的真正痛点是“自动化和筛选前置”。整套管线可以做到：手写材料扫完自动变成文本，录音讲完自动生成带时间戳的会谈纪要初稿，视频不用人看，模型先把字幕抽出来，再把关键画面提帧。人只负责复核，工作量和漏检概率都下来了。

这里要泼一盆冷水：别指望一个模型做完所有事。市面上确实有综合能力很强的多模态大模型，能看图、能听话、能读视频。但在批量证据处理场景里，直接调多模态大模型成本高、速度慢，而且每一页图片都要传上去，数据隐私也难控制。更好的方式是“专用小模型初处理 + 大模型精加工”，这正是本地模型与云端 API 组合的核心价值。

2. 技术选型：本地模型与 API 按需省钱

聊方案之前，先把“本地模型 + API”这套混合架构讲透。它看起来像是一个成本策略，本质上是一种工程分工。

本地模型跑在自有机器上，数据不出内网，适合处理敏感材料。法律材料、商业合同、证人证言都涉及隐私，能不上传就不要上传。本地模型的缺点也很现实：识别准确率普遍低于云端大模型，尤其是复杂手写体和带口音的语音。它更适合做“粗筛”和“批量初转”，也就是先把能识别的轮廓转出来，把问题样本挑出来。

云端 API 的强项是理解力。它能把上下文、口音、专有名词处理得更自然，但按 token 或按次计费，对几十小时音频、上千页扫描件来说，全部走云端 API 的费用并不低。这类 API 适合做“精校”和“语义理解”，也就是只处理本地模型转出来质量差的部分，以及需要对内容做摘要、时间线归纳的部分。

结合法律场景，我的选型思路如下：

从这个表能得出一个清晰结论：能本地干的活不要上云，云端的钱只花在“本地干不了的理解工作”上。这套架构下，几十小时录音的成本可能只有纯云端方案的二十分之一。

需要提前提醒的是，开源模型的版本更新很快，本文举例用的模型只是当前阶段的参考，版本请以实际项目为准，重点演示的是通用处理思路和调用方式。

3. 环境准备与前置条件

整套管线我建议部署在一台带 GPU 的工作站上。没有 GPU 也可以用 CPU 跑，只是速度会慢，尤其是 Whisper 转录音频时。如果你想先把流程跑通，CPU 也能接受，只是材料特别多时会比较急人。

推荐的环境配置如下：

• 操作系统：Ubuntu 22.04 LTS 或 Windows 11 + WSL2。
• Python：3.10 或 3.11，建议用 conda 创建独立环境。
• GPU：NVIDIA 显卡，显存 8GB 以上，可以跑 Whisper 的 small/base 模型。
• 内存：16GB 起步，处理大 PDF 时 OCR 会比较吃内存。
• 磁盘：准备 100GB 以上可用空间，模型文件和中间产物都不小。
• 模型管理工具：Ollama 或者 LM Studio，用于管理本地大模型。

Python 依赖建议用以下命令安装：

bash复制conda create -n legal-ai python=3.11
conda activate legal-ai
pip install paddlepaddle-gpu paddleocr openai-whisper ffmpeg-python pymupdf
pip install openai langchain-openai

安装完成后先检查关键组件：

bash复制python -c "from paddleocr import PaddleOCR; print('PaddleOCR OK')"
python -c "import whisper; print('Whisper OK')"
ffmpeg -version

有一个比较常见的坑：PaddleOCR 第一次运行会下载检测模型和识别模型，网络环境不好的话会卡很久。建议提前把模型下载好，或者配置 PaddleOCR(use_doc_orientation_classify=False) 关掉不必要的分类模型，加 use_doc_unwarping=False 关掉文档矫正，减少下载量。

如果打算用 Ollama 管理本地大模型，只需执行：

bash复制ollama pull qwen2.5:7b-instruct

这条命令会下载一个量化后的 7B 中文模型，适合做本地文本清洗、初步规则抽取。注意这只是备用方案，主流程里精加工仍建议选择云端 API。

4. 核心流程拆解：从材料到证据时间线

整套证据处理流程可以拆成四个阶段。我用法律项目第一批材料来具体说明，这批材料包含一百二十页扫描件、十五段录音和八段视频。

第一阶段是材料接入与格式标准化。扫描件可能是 PDF 也可能是单张图片，需要全部统一转成 PNG 图片，方便 OCR。录音格式五花八门，手机录的 MP3、会议系统导出的 WAV、微信语音转存过来的 AMR，都要先转成 16kHz 单声道 WAV，Whisper 处理起来会稳定很多。视频则先把音轨抽出来转成音频文件，再把视频文件另存备用。

第二阶段是批量 OCR 和语音初转。印刷体扫描件和手写材料分开处理。印刷体用普通 OCR 模型就能拿到不错的效果；手写体需要单独配置手写识别模型。录音统一交给本地 Whisper 做初转，输出带时间戳的文本。这个阶段跑完后，材料集中区会出现一个文本目录，文件名与原始材料一一对应。

第三阶段是质量分流。OCR 的结果不是每页都好，手写体的识别置信度尤其不稳定。此时需要做一次“置信度筛选”：置信度高的文本直接进入成品库，置信度低的、有大量空白的页面，被标记为“待精校材料”。精校阶段再调用云端大模型，把这些页面重新读一遍，补充上下文推导，得到更完整的文本。录音同理，如果某段 Whisper 输出的识别时间戳密集但文字是乱码，说明这段音频口音太重或者背景噪音太强，需要走云端二次转写。

第四阶段是语义加工与检索入库。精校后的文本是大模型理解的基础，它不只是做摘要，还要标注证据中涉及的时间点、人物、金额、事件关键词，并把整批材料串联成一条时间线。这一步还要把文本向量化后存入本地向量数据库，做完这一步，就可以执行“找出所有提到某年某月某日某地点以及相关人物”这样的交叉检索。这也是整套管线价值最集中的阶段，因为人工核对材料时最耗时的就是这份交叉检索。

5. 完整示例与代码实现

这一部分给出每个阶段的真实可运行代码。代码中用到的模型和 API，均以当前普遍可用的版本为例，文件名和路径请按自己的项目调整。

5.1 扫描件转图片，并批量 OCR

扫描件转图片我用 PyMuPDF 来做，它的速度和稳定性都很好。转换时统一把 PDF 每页渲染成 300 DPI 的 PNG，300 DPI 是 OCR 的推荐精度，太低看不清小字，太高文件过大且识别率不一定更好。

python复制# 文件路径：scripts/pdf_to_images.py
import fitz  # PyMuPDF
import pathlib

input_pdf = pathlib.Path("cases/contract_scan.pdf")
output_dir = pathlib.Path("cases/images")
output_dir.mkdir(parents=True, exist_ok=True)

doc = fitz.open(str(input_pdf))
for page_number in range(len(doc)):
    page = doc.load_page(page_number)
    mat = fitz.Matrix(300 / 72, 300 / 72)  # 300 DPI
    pix = page.get_pixmap(matrix=mat)
    pix.save(str(output_dir / f"page_{page_number:04d}.png"))
print(f"Total pages: {len(doc)}")

印刷体 OCR 用 PaddleOCR，它自带文本检测和识别，适配中英文混排材料效果比较好。第一次运行时模型会自动下载，之后每次都会走缓存，速度会快很多。

python复制# 文件路径：scripts/ocr_print.py
from paddleocr import PaddleOCR
import pathlib

ocr = PaddleOCR(
    lang="ch",
    use_doc_orientation_classify=False,
    use_doc_unwarping=False,
    use_textline_orientation=False,
)

image_dir = pathlib.Path("cases/images")
output_file = pathlib.Path("cases/ocr_print_result.txt")

results = []
for image_path in sorted(image_dir.glob("*.png")):
    result = ocr.predict(str(image_path))
    page_text = []
    for line_group in result:
        for line in line_group:
            if line and "rec_texts" in line:
                page_text.extend(line["rec_texts"])
    results.append(f"=== {image_path.name} ===\n" + "\n".join(page_text))

output_file.write_text("\n".join(results), encoding="utf-8")
print("OCR done:", output_file)

这个阶段要注意，PaddleOCR 返回格式在不同版本里会有差异。如果你的版本返回的是 res[0]["rec_texts"] 而不是 line.get("rec_texts")，按实际输出结构调整即可。写代码时建议打印一段原始输出看看结构，别直接照抄。

5.2 手写材料识别与置信度过滤

手写体识别的关键不在于模型有多强，而在于要保留“识别置信度”。置信度高的行直接收下，置信度低的行单独归档，留给云端模型精校。这样既不浪费每一页云端 API 的调用，也不会因为手写识别结果太差而彻底丢掉有效证据。

python复制# 文件路径：scripts/ocr_handwritten.py
from paddleocr import PaddleOCR
import json
import pathlib

ocr = PaddleOCR(lang="ch", use_doc_orientation_classify=False)

image_dir = pathlib.Path("cases/handwritten_images")
output_json = pathlib.Path("cases/handwritten_result.json")
low_confidence_dir = pathlib.Path("cases/low_confidence")
low_confidence_dir.mkdir(parents=True, exist_ok=True)

all_pages = []

for image_path in sorted(image_dir.glob("*.png")):
    result = ocr.predict(str(image_path))
    page_entries = []
    for line_group in result:
        for line in line_group:
            if not line or "rec_texts" not in line:
                continue
            for text, score in zip(line["rec_texts"], line["rec_scores"]):
                page_entries.append({
                    "text": text,
                    "score": float(score),
                    "image": image_path.name,
                })
    all_pages.extend(page_entries)

# 置信度低于阈值的行标记为待精校
for entry in all_pages:
    if entry["score"] < 0.85:
        entry["need_refine"] = True
        with open(low_confidence_dir / f"low_{entry['image']}.txt", "a", encoding="utf-8") as f:
            f.write(entry["text"] + "\n")

output_json.write_text(
    json.dumps(all_pages, ensure_ascii=False, indent=2),
    encoding="utf-8"
)
print(f"Total lines: {len(all_pages)}")

对于置信度低的手写页面，这一步的重要性就能看出来了。它相当于给后期精校阶段画了一个重点范围，避免大量的无效 API 调用。不要试图在本地 OCR 阶段把识别率调到完美，那样投入的调优时间往往比云端精校的成本更高，工程上不合理。

5.3 录音转文字与视频抽字幕

录音转文字我用 OpenAI 开源的 Whisper 本地模型。它识别中文的效果在开源方案里属于第一梯队，特别适合带时间戳的逐字稿生成。为了平衡速度和精度，我选择了 small 模型。如果你的材料里口音很重，考虑换用 medium，代价是推理时间明显变长。

python复制# 文件路径：scripts/audio_to_text.py
import whisper
import pathlib

model = whisper.load_model("small")  # 可选 tiny/base/small/medium/large

audio_dir = pathlib.Path("cases/audio")
output_dir = pathlib.Path("cases/transcripts")
output_dir.mkdir(parents=True, exist_ok=True)

for audio_path in sorted(audio_dir.glob("*.wav")):
    result = model.transcribe(
        str(audio_path),
        language="zh",
        verbose=False,
        initial_prompt="这是一段中文法律会谈录音，可能涉及合同谈判、证人陈述。"
    )
    output_file = output_dir / f"{audio_path.stem}.txt"
    with open(output_file, "w", encoding="utf-8") as f:
        for segment in result["segments"]:
            start = segment["start"]
            end = segment["end"]
            text = segment["text"].strip()
            f.write(f"[{start:.1f}s - {end:.1f}s] {text}\n")
    print("Done:", output_file)

视频分析的思路本质上和录音相同，因为视频关键信息绝大多数在音频里。先用 FFmpeg 抽取视频音轨，再调用 Whisper 转写。需要保存画面证据的时候，再用 FFmpeg 按指定的时间点截帧，生成 JPG 图片。

bash复制ffmpeg -i video_evidence_01.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 video_evidence_01.wav

python复制# 文件路径：scripts/extract_keyframes.py
import subprocess
import pathlib
import json

frames_dir = pathlib.Path("cases/frames")
frames_dir.mkdir(parents=True, exist_ok=True)

# 时间点建议从 Whisper 转写结果里找：包含关键事件描述的时间段
key_times = [
    {"video": "video_evidence_01.mp4", "time": "00:12:35", "name": "contract_sign"},
    {"video": "video_evidence_01.mp4", "time": "00:48:22", "name": "cash_count"},
]

for item in key_times:
    output_path = frames_dir / f"{item['name']}.jpg"
    cmd = [
        "ffmpeg", "-i", item["video"], "-ss", item["time"],
        "-frames:v", "1", str(output_path), "-y"
    ]
    subprocess.run(cmd, check=True)
    print("Saved:", output_path)

在实际项目中，截帧这个动作往往是律师最需要的。录音转文字只能给出“说了什么”，画面截帧才能作为证据展示“做了什么”。建议把 Whisper 生成的带时间戳文本和截帧的图片命名关联起来，方便后续挂接进证据时间线。

5.4 本地模型清洗与云端 API 精校

本地 Whisper 和 OCR 初步转写完的材料，可以先用本地大模型做一遍快速清洗。清洗的内容包括：把明显的空行、乱码、重复片段去掉，统一标点符号。这一步用 Ollama 调用本地 7B 模型就够了，不用花钱。

python复制# 文件路径：scripts/local_clean.py
import requests
import json
import pathlib

OLLAMA_URL = "http://localhost:11434/api/generate"

def ollama_clean(text: str) -> str:
    prompt = (
        "请清洗以下法律材料文本。要求：\n"
        "1. 删除乱码、重复行、无意义的空行。\n"
        "2. 统一中英文标点。\n"
        "3. 保留所有数字、金额、日期、人名和地点。\n"
        "4. 直接输出清洗后的文本，不要解释。\n\n"
        f"---\n{text}\n---"
    )
    resp = requests.post(OLLAMA_URL, json={
        "model": "qwen2.5:7b-instruct",
        "prompt": prompt,
        "stream": False
    }, timeout=120)
    data = resp.json()
    return data.get("response", "").strip()

transcript_dir = pathlib.Path("cases/transcripts")
clean_dir = pathlib.Path("cases/cleaned")
clean_dir.mkdir(parents=True, exist_ok=True)

for txt_path in sorted(transcript_dir.glob("*.txt")):
    raw_text = txt_path.read_text(encoding="utf-8")
    if len(raw_text) < 50:
        continue
    cleaned = ollama_clean(raw_text)
    output_path = clean_dir / f"{txt_path.stem}_cleaned.txt"
    output_path.write_text(cleaned, encoding="utf-8")
    print("Cleaned:", output_path)

清洗后，真正需要云端的只是“低置信度材料 + 时间线归纳”两个子任务。低置信度页面适合用带视觉理解能力的大模型 API，把图片重新读一遍，结合上下文补全内容。时间线归纳则把前面所有初转文本汇总起来，请求大模型输出结构化 JSON。下面这段代码演示了如何用 OpenAI 兼容接口做精校，多数大模型 API 服务都提供类似格式的接口。

python复制# 文件路径：scripts/refine_and_timeline.py
import base64
import json
import pathlib
from openai import OpenAI

# 注意：不同服务商的基础地址和密钥配置方式不同，请以官方文档为准
client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api.example.com/v1"
)

def refine_handwriting(image_path: str) -> str:
    with open(image_path, "rb") as f:
        b64 = base64.b64encode(f.read()).decode("utf-8")
    resp = client.chat.completions.create(
        model="gpt-4o-mini",  # 或按服务商提供的视觉模型名填写
        messages=[{
            "role": "user",
            "content": [
                {"type": "text", "text": "请转写这张手写证据图片中的全部文字。保持原意，不要润色。"},
                {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}
            ]
        }]
    )
    return resp.choices[0].message.content

# 对之前标记的低置信度图片逐张精校
low_dir = pathlib.Path("cases/low_confidence")
for txt_path in sorted(low_dir.glob("low_*.png.txt")):
    # 这里的文件名保留了原图名，实际按自己的命名习惯关联
    image_path = txt_path.stem.replace("low_", "cases/handwritten_images/", 1)
    refined = refine_handwriting(image_path)
    output_path = pathlib.Path("cases/refined") / f"{txt_path.stem}_refined.txt"
    output_path.parent.mkdir(parents=True, exist_ok=True)
    output_path.write_text(refined, encoding="utf-8")
    print("Refined:", output_path)

def build_timeline() -> None:
    all_materials = []
    clean_dir = pathlib.Path("cases/cleaned")
    refined_dir = pathlib.Path("cases/refined")

    for txt_path in sorted(clean_dir.glob("*.txt")):
        all_materials.append(f"### {txt_path.name}\n" + txt_path.read_text(encoding="utf-8"))
    for txt_path in sorted(refined_dir.glob("*.txt")):
        all_materials.append(f"### {txt_path.name}\n" + txt_path.read_text(encoding="utf-8"))

    combined = "\n".join(all_materials)

    prompt = (
        "你是资深法律助理。请根据以下证据材料文本，生成证据时间线。\n"
        "输出格式为 JSON 数组，每个元素包含：id, date_time, event, evidence_source, people。\n"
        "事件按时间先后排列，尽量保留原文中的金额、日期、地址等细节。\n"
        "不要编造没有出现的事实。\n\n"
        f"材料如下：\n{combined[:30000]}"
    )

    resp = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
        response_format={"type": "json_object"}
    )
    timeline = resp.choices[0].message.content
    pathlib.Path("cases/timeline.json").write_text(timeline, encoding="utf-8")
    print("Timeline saved:", timeline)

build_timeline()

用 API 做精校时，建议给每个请求设置较长的超时时间。视觉模型对图片的编码和推理确实需要更长时间，短的超时会导致请求直接中断，而大模型 API 是按成功请求计费的，失败重试反而多花时间。

这段代码里把上下文长度限制在 30000 字符左右，主要是为了避免超出模型的上下文窗口。如果材料特别多，建议分批给模型，最后再汇总成文档。

6. 运行结果与效果验证

整套管线跑完后，需要做一次质量验证，不验证就交付给业务方是不负责任的。我建议按照以下三个维度抽查结果：

第一，OCR 识别率抽查。随便抽取十页印刷体材料，人工与 OCR 结果比对，统计正确识别率。正常来说，清晰印刷体配合 PaddleOCR，识别率应该在 95% 以上。如果出现大面积低位，优先检查原始扫描件清晰度，看是否存在歪斜、模糊或反光。

第二，录音转写时间戳对齐。Whisper 输出的每句话都有时间范围。抽查三处关键时间点，播放录音对应位置，核对是否与转写内容一致。时间戳偏移如果超过 10 秒，说明音轨处理有延迟或模型采样出了问题，需要重新预处理音频。

第三，时间线事件交叉验证。拿到 timeline.json 后，随机挑两个关键日期，去对应原始材料里找依据。这项验证做得好不好，直接决定这个系统有没有被业务方信任。如果时间线里的事件在原始材料里找不到出处，必须标记为“待核验”，不能直接当证据用。

一个比较推荐的做法是保存全流程中间产物，别只输出最终结果。法律材料的特点是需要可追溯性，如果你拿着最终时间线去找律师，律师问你“这个金额是哪里来的”，你要能回溯到原始页和原始录音。中间产物就是这套系统的审计日志。

✅ 我判断成功的标准很简单：能不能在半小时内回答“某一页证据里有没有提到某个金额或某个人名”。如果能做到，这套管线就产生了实际价值。

7. 常见问题与排查思路

法律场景下使用 AI 处理材料，问题往往不在模型效果，而在工程链路和稳定性。以下是我实际踩过的坑，按出现频率排列。

每个问题都不复杂，但如果没想过，出问题时真的会手忙脚乱。我的建议是先拿一杯茶，把原始材料格式从头检查一遍，再查模型输出。很多时候问题出在输入而非模型。

另外，如果你在精校环节使用了云端 API，并且报错中出现了明显的 key 或权限问题，第一时间去服务商后台查看密钥状态，不要反复重试。而且最好不要在前端页面或代码仓库里明文存 API Key，环境变量就是底线。

8. 最佳实践与工程建议

把这套流程真正落地到项目里，有一些工程层面的经验值得写下来。它们比模型调参更影响最终效果。

第一，给每个材料设计完整的命名规范。 文件名不要叫 page_0001.png 或 audio_01.wav，而是 ID-日期-类型-序号 的形式。一个可行的命名模式是 案件号_证据类型_日期_序号_页码。比如 SH2025-008_contract_20241120_003_002.png。这样是做证据交叉比对的基础。

第二，中间产物和临时文件不要清理太快。 本地 OCR 结果、初转文本、精校文本、时间线 JSON，全部保留在中间目录里。这样既方便审计，也方便调整后续阶段的提示词。就算项目结束了，这些中间产物也值得按件归档。

第三，API 调用要做总量控制和失败重试。 云端模型调用虽然强，但费用是真实存在的。建议每次运行前统计待精校材料的页数和音频时长，估算一下预期费用。如果以前一周调用五千次，这周直接翻到两万次，大概率是某个环节的筛选条件失效了。查询类的调用可以设置重试 3 次、退避时间为 1 秒、2 秒、4 秒，超过 3 次直接记录失败文件，等人工介入。

第四，不要为了让材料“生成”得更完整而强迫模型编造细节。 这是这条路径上最容易犯的错。我们处理的是法律证据，不是文案生成，如果手写材料某处确实无法辨识，宁可标记为“无法辨识”，也不能让模型凭猜测补全。

第五，把人工复核当成流水线的一环去设计，而不是事后补救。 我建议时间线 JSON 生成后，直接导出成 Excel 表格，让律师助理在表格里逐行标注“确认/存疑/需补充”。这个反馈表反过来又可以作为下一轮优化的训练参考。

第六，选择模型时不要盲目追求最大参数。 Whisper 的 large 模型确实更准，但在普通 GPU 上处理几十小时录音可能要跑几天，那就不划算了。先用 small 或 medium 跑一遍，把“问题音频”筛出来，再针对问题音频用 large 精校，效果和成本会平衡得多。

这个原则同样适用于本地大模型。如果能用 7B 解决的问题就不上 14B 或更大模型。推理时间、内存占用、热量散热，在批量任务里都是成本。

9. 总结与后续学习方向

这条“AI 法律助手”管线，本质上是一次多模态工程组合的实践。它没有用到最前沿的模型推理技术，也没有复杂算法，但真实解决了实际痛点。如果你把每个步骤拆开看，会发现全是现成的开源工具和公开 API：PaddleOCR、Whisper、Ollama，再加一个视觉大模型 API。真正花心思的是把这些工具按成本、隐私、准确率三个维度排列组合，形成一条合理的流水线。

从更广泛的角度看，任何“AI 处理非结构化文档”的场景，都可以套用这条思路：先识别，再筛选，然后精校，最后语义归纳。不管是处理合同、病例、技术文档，还是历史档案，底层逻辑都一样。

后续值得深入研究的方向有四个。一个是向量检索与 RAG，把全部证据文本入库后，通过语义检索回答“某份合同里有没有提到过特定条款”这类问题；第二个是 Agent 编排，用自动化流程批量处理新增材料，自动生成补证清单，而不是每批新材料都手动跑一遍；第三个是更细的实体识别，专门抽取法律材料中的人物、金额、日期、公司、案号等结构化信息；第四个是多轮校验，用两个模型交叉验证关键事件，降低单模型“幻觉”带来的风险。

如果你正打算处理一批积压的材料，建议先拿一个小的卷宗或合同包跑通流程，认真核对一遍结果，再逐步扩展到全量材料，不要一上来就追求自动化率。多模态 AI 工具真正改变的是材料和人的协作方式。麻烦的初筛、转写、检索可以交给机器，但真正需要判断、权衡的部分，仍然值得保留人的把关。